특징 기반 탐지 방법은 하드웨어 트로jan 탐지에서 널리 사용되어 왔으며, 이 방법에서는 하드웨어 트로jan의 특징을 명시적으로 추출하고 분류기를 학습시키거나 하드웨어 트로jan 신호와 정상 신호를 구분할 수 있는 알고리즘을 구축한다. 이 방법은 사용 가능한 벤치마크 회로들에서 좋은 성능을 보인다. 그러나 벤치마크 회로의 서로 다른 구조적 특징을 포함하는 임의 생성 회로에서 시험하면, 특징을 명시적으로 추출해야 한다는 제약으로 인해 은밀한(stealthy) 신호를 탐지하는 데 실패하기 시작한다. 이러한 상황을 극복하기 위해 본 논문에서는 그래프 신경망(GNN)이 벤치마크 회로와 임의로 생성된 회로 모두에서 하드웨어 트로jan 탐지 성능을 향상시키는 데 어떤 이점이 있는지 탐구하고자 한다. 보다 구체적으로, GNN 모델에 적합하며 신호 사이의 숨은 특징과 관계를 학습할 수 있는 디지털 회로의 적절한 표현을 찾는 것을 목표로 한다. 실험 결과 벤치마크 회로에서 평균 정확도 95.34%로 만족스러운 성능을 보였다. 또한 임의 생성 회로에 대해 수행한 시험에서는 평균 정확도 90.82%로 긍정적인 결과를 나타냈다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.